Дискриминантный анализ является классификационным методом. Он принимает, что различные классы генерируют данные на основе различных Гауссовых распределений.
Чтобы обучить (создать) классификатор, функция аппроксимации оценивает параметры Гауссова распределения для каждого класса (см. Создание дискриминантной модели анализа).
Чтобы предсказать классы новых данных, обученный классификатор находит класс с наименьшими затратами на неправильную классификацию (см. Предсказание с использованием дискриминантных моделей анализа).
Линейный дискриминантный анализ также известен как дискриминант Фишера, названный по имени его изобретателя, сэра Р. А. Фишера [1].
Этот пример показывает, как обучить классификатор базового дискриминантного анализа для классификации ирисов в данных радужной оболочки глаза Фишера.
Загрузите данные.
load fisheririsСоздайте классификатор анализа дискриминантов по умолчанию (линейный).
MdlLinear = fitcdiscr(meas,species);
Чтобы визуализировать контуры классификации 2-D линейной классификации данных, смотрите Создание и визуализацию Классификатора Дискриминантного Анализа.
Классификация радужки со средними измерениями.
meanmeas = mean(meas); meanclass = predict(MdlLinear,meanmeas)
meanclass = 1x1 cell array
{'versicolor'}
Создайте квадратичный классификатор.
MdlQuadratic = fitcdiscr(meas,species,'DiscrimType','quadratic');
Чтобы визуализировать контуры классификации 2-D квадратичной классификации данных, смотрите Создание и визуализацию классификатора дискриминантного анализа.
Классификация радужной оболочки со средними измерениями с помощью квадратичного классификатора.
meanclass2 = predict(MdlQuadratic,meanmeas)
meanclass2 = 1x1 cell array
{'versicolor'}
[1] Фишер, Р. А. «Использование нескольких измерений в таксономических задачах». Летопись Евгения, том 7, стр. 179 - 188, 1936. Доступно в https://digital.library.adelaide.edu.au/dspace/handle/2440/15227.